La adaptación de dominio no supervisada (UDA) transfiere efectivamente el conocimiento aprendido de un dominio fuente etiquetado a un dominio objetivo no etiquetado. El marco de profesor-estudiante, que genera pseudo-etiquetas para muestras del dominio objetivo y las utiliza para el entrenamiento pseudo-supervisado, permite el autoentrenamiento y mejora la generalización en la detección de objetos UDA. Sin embargo, para los modelos de detección de una sola etapa, las pseudo-etiquetas son poco fiables cuando las muestras positivas y negativas están desbalanceadas. Esto puede llevar al modelo a sobreajustarse al dominio fuente y pasar por alto información importante del dominio objetivo. En este trabajo, proponemos un nuevo marco específico de dominio de profesor-estudiante para abordar este problema. Las innovaciones del marco propuesto se pueden resumir en dos aspectos. Primero, empleamos dos cabezales específicos de dominio (DSHs) en el modelo estudiante para manejar las entradas del dominio fuente y del dominio objetivo por separado. Estos dos cabezales se optimizan de manera independiente con muestras de sus respectivos dominios. Este diseño permite reducir el impacto de las pseudo-etiquetas poco fiables y aprovechar completamente la información única específica del dominio objetivo. En segundo lugar, introducimos una rama de reconstrucción auxiliar, llamada módulo de alineación adversarial de máscara multiescala (MMAA), en el marco de profesor-estudiante. El MMAA tiene la tarea de reconstruir características multiescala enmascaradas aleatoriamente del dominio fuente, lo que mejora la capacidad de representación semántica del modelo estudiante y facilita la generación de pseudo-etiquetas de alta calidad. Los resultados experimentales en seis escenarios de dominio cruzado diversos demuestran la efectividad de nuestro marco.